近年来,工厂失火、森林失火、居家失火频发,给人们的生命和财产带来巨大损失。其中工厂火灾具有受灾人员多、易燃易爆物存放集中、工厂建筑结构复杂等特点,消防救援人员在第一时间难以准确快速的展开救援,使灾情短时间内难以控制,浪费了宝贵的救援时间,同时也增加了消防人员救援的危险性。而无人机群成本低,部署灵活,执行任务能力强,能有效地应用于具有不确定性、强干扰等复杂火灾救援环境中,协同完成检测火灾环境信息、搜索受困人员、引导人员逃生、局部火势延阻等任务。本文以无人机为火灾救援基本单元,对多无人机协同区域搜救技术进行研究,主要工作如下:（1）为解决多无人机在救援能力受限下的任务分配问题以及突发救援任务下的协同重分配问题,研究火灾场景下的具有时序、任务优先级以及消耗资源种类等多约束的火灾救援任务,提出一种改进粒子群的多无人机协同救援任务分配方法,在粒子群算法迭代的过程中,利用强化学习方法对每一代的惯性权重进行训练。设计基于任务优先级的部分重规划策略,顶层无人机对突发任务进行分配,执行层无人机考虑剩余救援能力的前提下根据集群最大救援收益进行竞标。仿真结果表明,该方法能同时满足粒子群算法的求解精度和收敛的快速性,实现对突发任务的再分配。（2）针对多无人机在未知灾难环境下的协同动态目标搜索问题,提出一种基于强化学习的多无人机协同搜索算法,该方法根据综合效能函数设计强化学习的奖惩函数。同时利用目标概率图和不确定图混合描述未知环境,并引入“领地意识信息图”协调多无人机之间的配合,构建的拓展搜索图可根据多无人机的搜索情况在线更新。仿真结果表明该算法的有效性,并通过对比分析验证实现了多无人机协同动态目标搜索,比原有的传统搜索方法更有效地实现对动态目标的搜索。（3）针对多无人机在三维环境中引导幸存者逃生的路径规划问题,结合障碍物信息、幸存者信息、以及燃料床的燃烧反应方程式建立三维火灾环境模型,并使用长短期记忆神经网络对火势蔓延趋势进行预测。设计针对火灾救援的包括路径最短收益、路径安全收益、航迹调整代价、避碰代价的多目标效能函数,并利用离线避碰训练与人工势场法对强化学习中的Q表进行训练。仿真结果表明,长短期记忆神经网络在误差范围内可以对火域态势进行预测,改进的强化学习方法能够为幸存者规划出安全前提下的最优逃生路径。